人臉識(shí)別的特征提取概論課件

人臉識(shí)別的特征提取概述

人臉識(shí)別的特征提取概述1主要內(nèi)容1.人臉識(shí)別的意義。1.特征提取在人臉識(shí)別中的重要性。2.特征提取的各種方法簡(jiǎn)單介紹。主要內(nèi)容1.人臉識(shí)別的意義。2人臉識(shí)別是人體生物認(rèn)證技術(shù)的一種，首先我們談?wù)勅梭w生物認(rèn)證技術(shù)人體生物的生物特征包括生理特征和行為特征兩大類。

⑴人體的生理特征主要包括人臉、指紋、掌紋、掌形、虹膜、視網(wǎng)膜、靜脈、DNA、顱骨等，這些特征是與生俱來(lái)的，是先天形成的；⑵而行為特征包括聲紋、簽名、步態(tài)、耳形、按鍵節(jié)奏、身體氣味等，這些特征是由后天的生活環(huán)境和生活習(xí)慣決定的。這些生物特征本身固有的特點(diǎn)決定了其在生物認(rèn)證中所起的作用是不同的.人臉識(shí)別是人體生物認(rèn)證技術(shù)的一種，首先我們談?wù)勅梭w生物認(rèn)證技34生物特征識(shí)別技術(shù)(Biometrics)4生物特征識(shí)別技術(shù)(Biometrics)5為什么要做人臉識(shí)別？多學(xué)科領(lǐng)域的挑戰(zhàn)性難題模式識(shí)別：最典型、最困難的模式識(shí)別問(wèn)題人工智能：人類智能的基本體現(xiàn)計(jì)算機(jī)視覺(jué)：實(shí)現(xiàn)人眼的功能下一代人機(jī)交互讓計(jì)算機(jī)不再“熟視無(wú)睹”讓計(jì)算機(jī)具有人類的情感廣泛的應(yīng)用前景

…人臉識(shí)別相比其他生物特征識(shí)別的優(yōu)勢(shì)…

5為什么要做人臉識(shí)別？多學(xué)科領(lǐng)域的挑戰(zhàn)性難題人臉識(shí)別人臉識(shí)別是一個(gè)活躍的研究領(lǐng)域，是人類視覺(jué)最杰出的能力之一。雖然人臉識(shí)別的準(zhǔn)確性要低于虹膜、指紋的識(shí)別，但由于它的無(wú)侵害性和對(duì)用戶最自然、最直觀的方式，使人臉識(shí)別成為最容易被接受的生物特征識(shí)別方式。人臉識(shí)別人臉識(shí)別是一個(gè)活躍的研究領(lǐng)域，是人類視覺(jué)最杰出的6人臉識(shí)別的商業(yè)前景BillGates:以人類生物特征進(jìn)行身份驗(yàn)證的生物識(shí)別技術(shù)，在今后數(shù)年內(nèi)將成為IT產(chǎn)業(yè)最為重要的技術(shù)革命人臉識(shí)別的商業(yè)前景BillGates:以人類生物特征進(jìn)行7人臉識(shí)別系統(tǒng)所謂人臉識(shí)別系統(tǒng)，是指不需要人為干預(yù)，能夠自動(dòng)獲取人臉圖像并且辨別出其身份的系統(tǒng)一個(gè)人臉識(shí)別系統(tǒng)至少要包含三個(gè)部分，即數(shù)據(jù)采集子系統(tǒng)、人臉檢測(cè)子系統(tǒng)和人臉識(shí)別子系統(tǒng)數(shù)據(jù)采集子系統(tǒng)人臉識(shí)別子系統(tǒng)人臉檢測(cè)子系統(tǒng)人臉識(shí)別系統(tǒng)識(shí)別結(jié)果：Heis…!人臉識(shí)別系統(tǒng)所謂人臉識(shí)別系統(tǒng)，是指不需要人為干預(yù)，能夠自動(dòng)獲8人臉檢測(cè)和人臉識(shí)別(1)人臉檢測(cè)（FaceDetection）人臉檢測(cè)（FaceDetection）是指在輸入圖像中確定所有人臉（如果存在）的位置、大小、位姿的過(guò)程。人臉檢測(cè)是自動(dòng)人臉識(shí)別系統(tǒng)中的一個(gè)關(guān)鍵環(huán)節(jié)。(2)人臉識(shí)別人臉識(shí)別細(xì)分為兩類，一類是回答我是誰(shuí)的問(wèn)題，即辨認(rèn)（Identification），另一類是回答這個(gè)人是我嗎？即確認(rèn)（Verification）。顯然，用于Identification模式的識(shí)別系統(tǒng)對(duì)算法的運(yùn)算速度的要求要高于Verification模式的識(shí)別系統(tǒng)。

人臉檢測(cè)和人臉識(shí)別是人臉識(shí)別技術(shù)兩大理論。兩者的研究相對(duì)獨(dú)立。

對(duì)于人臉識(shí)別理論中特征提取方面的算法研究非常重要，是人臉識(shí)別能否成功的關(guān)鍵。人臉檢測(cè)和人臉識(shí)別(1)人臉檢測(cè)（FaceDetectio9問(wèn)題的提出？1.特征提取是人臉識(shí)別中最基本的問(wèn)題之一。2.特征提取不但從原始模式信息中提取出最有利于模式分類的特征，而且極大地降低模式樣本的維數(shù)。3.特征提取是模式識(shí)別的前期工作，處理的是否得當(dāng)影響后期的成果，可謂“大軍未動(dòng)，糧草先行”所以對(duì)于人臉識(shí)別，有效的特征提取是解決問(wèn)題的關(guān)鍵之一。問(wèn)題的提出？1.特征提取是人臉識(shí)別中最基本的問(wèn)題之一。10特征提取在一個(gè)人臉識(shí)別系統(tǒng)中的地位

人臉的檢測(cè)與定位人臉圖像處理特征提取特征匹配身份判決結(jié)論：特征提取在一個(gè)實(shí)際的人臉識(shí)別系統(tǒng)中也是至關(guān)重要的。特征提取在一個(gè)人臉識(shí)別系統(tǒng)中的地位11特征提取的作用1.是尋找針對(duì)模式的最具鑒別性的描述，以使此類模式的特征能最大程度地區(qū)別于彼類。2.是在適當(dāng)?shù)那闆r下實(shí)現(xiàn)模式數(shù)據(jù)描述的維數(shù)壓縮，當(dāng)描述模式的原始數(shù)據(jù)空間對(duì)應(yīng)較大維數(shù)時(shí)，這一點(diǎn)會(huì)非常有意義，甚至必不可缺。特征提取的作用1.是尋找針對(duì)模式的最具鑒別性的描述，以使此類12特征提取要解決的關(guān)鍵問(wèn)題。1.在人臉識(shí)別中存在的高維、非線性、小樣本問(wèn)題。2.如何有效地利用原圖像數(shù)據(jù)。特征提取要解決的關(guān)鍵問(wèn)題。1.在人臉識(shí)別中存在的高維、非線性13人臉識(shí)別中特征提取的困難特征提取的主要困難

(1)外貌、表情、膚色等的不同，使人臉具有模式可變性

(2)光照條件變化的影響，曝光及外在光源等引起的圖像亮度、對(duì)比度的不同

(3)眼鏡、頭發(fā)、飾物和其它外部物體等引起面部圖像的部分遮擋

(4)人臉與攝像頭之間的相對(duì)運(yùn)動(dòng)引起人臉姿態(tài)的多樣性

(5)復(fù)雜背景對(duì)人臉目標(biāo)的干擾人臉識(shí)別中特征提取的困難特征提取的主要困難14人臉識(shí)別特征提取的主要方法(l)基于幾何特征的方法和模板匹配方法(2)基于子空間分析的方法(3)基于小波理論的人臉識(shí)別方法(4)基于神經(jīng)網(wǎng)絡(luò)的方法(5)基于隱馬爾可夫模型的方法(6)基于支持向量機(jī)的方法(7)基于三維模型的方法人臉識(shí)別特征提取的主要方法(l)基于幾何特征的方法和模板匹配151基于幾何特征的方法和模板匹配方法1.1基于幾何特征(GcometricalFeature)的方法

思想：提取人臉面部具有代表性的部位(例如眉毛、眼睛、鼻子、嘴巴等)的相對(duì)位置和相對(duì)大小作為特征，再輔以人臉輪廓的形狀信息作為特征。

特點(diǎn)：容易受光照、表情、遮擋等因素的影響，穩(wěn)定性不高。1基于幾何特征的方法和模板匹配方法1.1基于幾何特征(G161.2模板匹配方法思想：在人臉識(shí)別中，就是把數(shù)據(jù)庫(kù)的人臉圖像看作己知的模板，然后根據(jù)待識(shí)別圖像和己知模板間相關(guān)性的大小來(lái)分類。特點(diǎn)：

模板匹配方法的計(jì)算量較大，而且除了光照、表情以外，圖像的平移旋轉(zhuǎn)和放縮也會(huì)嚴(yán)重影響模板匹配中互相關(guān)的計(jì)算.

1.2模板匹配方法思想：171.3總結(jié)1.基于幾何特征的方法和模板匹配方法一般優(yōu)于基于幾何特征的方法，但兩者對(duì)外在條件要求比較苛刻。2.一般作為其他方法的輔助方法。1.3總結(jié)1.基于幾何特征的方法和模板匹配方法一般優(yōu)于基于幾182基于子空間分析的方法

2.1基于子空間分析的方法是特征提取的主流方法。已形成形成一系列的方法群，但大致分為線性與非線性兩種。

基本思想：把高維空間中松散分布的人臉圖像，通過(guò)線性或非線性變換壓縮到一個(gè)低維的子空間中去，使人臉圖像的分布在低維的子空間中更緊湊，更有利于分類，另外也使高維的計(jì)算減小為低維計(jì)算.在一定程度上緩解了“維數(shù)災(zāi)難”

2基于子空間分析的方法2.1基于子空間分析的方法192.2主要方法線性子空間方法：主元分析(PCA)、奇異值分解(SVD)、線性判別分析(LDA)、獨(dú)立主元分析(ICA)、和非負(fù)矩陣因子(NMF)等非線性子空間方法：核主成分分析、核Fishe:判別分析、流形學(xué)習(xí)方法等。2.2主要方法線性子空間方法：非線性子空間方法：202.3總結(jié)

1.子空間分析的方法具有計(jì)算代價(jià)小、描述能力強(qiáng)、可分性好等特點(diǎn)，現(xiàn)己經(jīng)成為人臉識(shí)別的主流方法之一。每種子空間方法都有優(yōu)缺點(diǎn)，但從理論上和大多數(shù)的實(shí)驗(yàn)結(jié)果來(lái)看，基于可分性準(zhǔn)則的線性判別分析在人臉識(shí)別研究中具有一定的優(yōu)越性。

2.非線性方法的研究成為熱門(mén)，如基于核的非線性子空間方法，流形學(xué)習(xí)方法等。2.3總結(jié)1.子空間分析的方法具有計(jì)算代價(jià)小、描述能213.基于小波理論的人臉識(shí)別方法

小波分析被稱為“數(shù)學(xué)顯微鏡”。

主要思想：人臉圖像圖像即二維信號(hào)，對(duì)人臉圖像進(jìn)行小波變換，采用低頻圖像來(lái)表示人臉不但可降低圖像的維數(shù)而且使特征更為有效。小波的多分辨率分析是圖像模式識(shí)別的有效工具，它是我們對(duì)圖像進(jìn)行低維表示的數(shù)學(xué)基礎(chǔ)。很容易將一維小波推廣到二維乃至更高維數(shù)的情形。在人臉識(shí)別中作用越來(lái)越明顯。3.基于小波理論的人臉識(shí)別方法小波分析被稱為“數(shù)學(xué)顯微鏡224.基于神經(jīng)網(wǎng)絡(luò)的方法4.1原理；人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork，ANN)是由大量簡(jiǎn)單的處理單元(神經(jīng)元)相互連接而構(gòu)成的網(wǎng)絡(luò)系統(tǒng)，它在自學(xué)習(xí)、自組織、聯(lián)想及容錯(cuò)方面具有較強(qiáng)的能力，而且在學(xué)習(xí)過(guò)程中有自動(dòng)提取特征的能力。4.基于神經(jīng)網(wǎng)絡(luò)的方法4.1原理；234.2一些具體方法Gutta等提出了混合神經(jīng)網(wǎng)絡(luò)、Lawrence等通過(guò)一個(gè)多級(jí)的SOM（自組織映射）實(shí)現(xiàn)樣本的聚類，將卷積神經(jīng)網(wǎng)絡(luò)CNN用于人臉識(shí)別、Lin等采用基于概率決策的神經(jīng)網(wǎng)絡(luò)方法；Demers等提出采用主元神經(jīng)網(wǎng)絡(luò)方法提取人臉圖像特征，用自相關(guān)神經(jīng)網(wǎng)絡(luò)進(jìn)一步壓縮特征，最后采用一個(gè)MLP（多層感知器）來(lái)實(shí)現(xiàn)人臉識(shí)別。Er等采用PCA（主成分分析）進(jìn)行維數(shù)壓縮，再用LDA（線性判別分析）抽取特征，然后基于RBF進(jìn)行人臉識(shí)別。Haddadnia等基于PZMI特征，并采用混合學(xué)習(xí)算法的RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行人臉識(shí)別。神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)是通過(guò)學(xué)習(xí)的過(guò)程獲得對(duì)這些規(guī)律和規(guī)則的隱性表達(dá)，它的適應(yīng)性較強(qiáng)。4.2一些具體方法Gutta等提出了混合神經(jīng)網(wǎng)絡(luò)、Lawre244.3人工神經(jīng)網(wǎng)絡(luò)在特征提取的應(yīng)用應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行人臉的特征提取和分類器的設(shè)計(jì)，有比較成熟的人臉特征提取方法主要有：多主分量提取算法自適應(yīng)主分量神經(jīng)網(wǎng)絡(luò)提取算法一些不足：神經(jīng)元數(shù)目多，訓(xùn)練時(shí)間長(zhǎng)。4.3人工神經(jīng)網(wǎng)絡(luò)在特征提取的應(yīng)用應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行人臉255.基于隱馬爾可夫模型識(shí)別5.1基本思想：在人臉識(shí)別過(guò)程中，我們往往不是單獨(dú)的用人臉的五官這些相對(duì)獨(dú)立的特征來(lái)進(jìn)行的，而是把人臉作為一個(gè)整體來(lái)考慮.而隱馬爾可夫模型恰恰很好的描述了這個(gè)系統(tǒng).5.基于隱馬爾可夫模型識(shí)別5.1基本思想：265.2基于HMM的優(yōu)點(diǎn)。第一、允許人臉有豐富的表情變化、較大的頭部轉(zhuǎn)動(dòng)等.第二、較高的識(shí)別率.第三、擴(kuò)容性好，增加新樣本不需要對(duì)所有的樣本進(jìn)行訓(xùn)練，只需訓(xùn)練新樣本。第四、大部分訓(xùn)練可以在建立數(shù)據(jù)庫(kù)時(shí)完成，因而計(jì)算時(shí)間也是可以接受的。5.2基于HMM的優(yōu)點(diǎn)。第一、允許人臉有豐富的表情變化、較大276.基于支持向量機(jī)的方法6.1概述：SVM建立了一套較好的有限樣本下機(jī)器學(xué)習(xí)的理論框架和通用方法,既有嚴(yán)格的理論基礎(chǔ),同時(shí)在解決小樣本、非線性及高維模式識(shí)別問(wèn)題中表現(xiàn)出許多特有的優(yōu)勢(shì)。已經(jīng)應(yīng)用于手寫(xiě)體識(shí)別、三維目標(biāo)識(shí)別、人臉識(shí)別、文本圖像分類等實(shí)際問(wèn)題中，性能優(yōu)于已有的學(xué)習(xí)方法，表現(xiàn)出良好的學(xué)習(xí)能力。從有限訓(xùn)練樣本得到的決策規(guī)則對(duì)獨(dú)立的測(cè)試集仍能夠得到較小的誤差。6.基于支持向量機(jī)的方法6.1概述：287.基于三維模型的方法7.1概述由于三維面貌經(jīng)過(guò)平面投影會(huì)丟失一部分重要信息，導(dǎo)致以二維圖像為輸入的人臉識(shí)別方法比較脆弱，易受光照、姿態(tài)、表情的影響，所以人們?cè)噲D以人臉原本的三維信息建模，直接在三維條件下進(jìn)行識(shí)別，以便較好地解決傳統(tǒng)方法面臨的“光照”和“姿態(tài)”這兩個(gè)瓶頸問(wèn)題.三維數(shù)據(jù)的表示主要有三維網(wǎng)格圖像和深度圖像

兩種。可避免或減少噪聲及表情變化對(duì)于識(shí)別率的影響.7.基于三維模型的方法7.1概述29

7.2方法實(shí)現(xiàn)該類方法一般先在圖像上檢測(cè)出與通用模型頂點(diǎn)對(duì)應(yīng)的特征點(diǎn)，然后根據(jù)特征點(diǎn)調(diào)節(jié)通用模型，最后通過(guò)紋理映射得到特定人臉的3D模型。Tibbalds基于結(jié)構(gòu)光源和立體視覺(jué)理論，通過(guò)攝像機(jī)獲取立體圖像，根據(jù)圖像特征點(diǎn)之間匹配構(gòu)造人臉的三維表面7.2方法實(shí)現(xiàn)該類方法一般先在圖像上檢測(cè)出與通用307.2三維模型的一些不足在信息來(lái)源、海量存儲(chǔ)、計(jì)算復(fù)雜度及實(shí)現(xiàn)手段等方面都存在一定的困難。7.2三維模型的一些不足在信息來(lái)源、海量存儲(chǔ)、計(jì)算復(fù)雜度及實(shí)31特征提取其它方法目前對(duì)特征提取研究較多還有下列方法：彈性圖匹配方法?；跀?shù)據(jù)場(chǎng)方法。KL變換。奇異